<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[生物医学工程学进展 -->人工智能与医学工程]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[生理声音在疾病诊断中的现状与进展]]></title>
<link><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250205001]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[生理声音作为人体在正常和病理状态下产生的自然声音，在疾病诊断中具有重要价值。随着医疗技术的进步，基于生理声音的诊断方法，特别是心音、肺音和肠鸣音分析，已经逐渐走向数字化、自动化和智能化，成为现代临床诊断的重要辅助手段。心音分析可辅助心血管疾病的诊断，肺音分析用于呼吸系统疾病的检测，肠鸣音分析则用于消化系统疾病的识别。这些技术结合人工智能和数字信号处理，提高了诊断的准确性和自动化水平，支持远程医疗和早期筛查。当前技术尚面临成本和标准化等挑战，未来的研究将聚焦多模态分析、数据个性化与可穿戴设备，进一步提升生理声音在临床中的应用。]]></description>
<pubDate>2025/11/24 21:46:13</pubDate>
<category><![CDATA[人工智能与医学工程]]></category>
<author><![CDATA[朱伟,许师明]]></author>
<guid><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250205001]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于联邦学习的病理图像计算机辅助诊断研究进展]]></title>
<link><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20240718002]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[组织病理诊断被认为是临床癌症诊断的金标准。基于深度学习的病理图像计算机辅助诊断（ CAD）能帮助病理医生提高诊断的准确性和效率。然而，不同的医院对病理图像的染色存在差异，多种因素会影响由单一医院数据所训练的辅助诊断模型的泛化性。虽然多中心学习可以解决此问题，但由于隐私保护、数据安全等多种原因，不同医院的大量病理图像通常难以被共享以进行模型训练。联邦学习是一种分布式机器学习方法，其通过共享分布在不同中心的局部模型的参数联合训练模型，而不是共享传统多中心学习范式中的本地数据。因此，联邦学习能有效解决上述问题。目前，已有研究开展了基于联邦学习的病理图像 CAD 研究。该文对目前的研究进展进行了综述，首先介绍了基于深度学习的病理图像 CAD 研究，
然后介绍了联邦学习和基于联邦学习的病理图像 CAD 的研究进展，最后进行了总结和展望。]]></description>
<pubDate>2025/11/24 21:54:53</pubDate>
<category><![CDATA[人工智能与医学工程]]></category>
<author><![CDATA[丁赛赛,张渊铭,施俊,罗诚祖]]></author>
<guid><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20240718002]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于云监控平台实现老年群体身体状态的实时监测]]></title>
<link><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250401001]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[目的 对老年群体身体状态的突然改变（如从正常状态到跌倒状态）进行告警，使监护人可在第一时间进行干预。方法 系统采用由 MPU6050 三轴加速度传感器和数字运动处理器（Digital Motion Processor，DMP）组成的身体状态感知单元采集人体 X、Y、Z 三轴加速度并计算合加速度。数据通过集成电路总线（Inter-Integrated Circuit，I 2 C）传输至 nRF51822主控芯片，并经蓝牙 4.0 协议发送至数据处理模块。数据处理模块利用 GSM/4G 无线通信将数据上传至云监控平台，云监控平台基于阈值法监测算法进行数据分析与异常判定，并推送告警至监护人移动终端。结果 在监测对象（老年人）发生跌倒等异常事件时，系统能实时触发告警，并推送监测对象的位置信息，实现高效干预。结论 该系统形成了“传感监测—蓝牙传输—平台分析—智能告警”的闭环监护流程，具有实时性强、误报率低、部署灵活等优势，有助于提升老年人身体状态突然改变后的响应效率和救治成功率。]]></description>
<pubDate>2025/8/4 15:42:59</pubDate>
<category><![CDATA[人工智能与医学工程]]></category>
<author><![CDATA[潘晓东]]></author>
<guid><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250401001]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[虚拟现实认知训练联合重复经颅磁刺激治疗对脑卒中后认知功能的改善作用]]></title>
<link><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250403001]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[目的 探讨虚拟现实（ Virtual Reality， VR）认知训练联合重复经颅磁刺激（ Repetitive Transcranial Magnetic Stimulation， rTMS）治疗对脑卒中后认知功能的改善作用，为优化脑卒中后认知障碍（ Post-Stroke Cognitive Impairment，PSCI）康复方案提供依据。 方法 采用随机对照试验（ Randomized Controlled Trial， RCT）设计，纳入 2022 年 1 月至 2024年 12 月在蚌埠医科大学第一附属医院康复医学科住院或门诊接受治疗的 82 例脑卒中患者，随机分为观察组（ n=41，接受VR 认知训练联合 rTMS 治疗）与对照组（ n=41，仅接受 rTMS）。采用蒙特利尔认知评估（ Montreal Cognitive Assessment，MoCA）量表、简易精神状态检查（ Mini-Mental State Examination， MMSE）及日常生活能力量表（ Activities of Daily Living Scale， ADLS）评估干预前（ T0）、干预 6 周（ T1）及 12 周（ T2）脑卒中患者的认知功能与生活能力变化。 结果 观察组MoCA 总分提升，显著高于对照组（ 17.25±3.35 → 25.30±3.80 vs 17.15±3.25 → 21.60±3.50）（ P<0.05）； MMSE 总分提升明显高于对照组（ 21.55±2.95 → 27.50±2.60 vs 21.45±3.05 → 24.10±2.90）（ P<0.005）； ADLS 总分提升高于对照组（ 65.35±6.75 → 79.30±5.80 vs 64.85±6.95 → 73.80±6.20）（ P<0.05）。组间比较显示，观察组在注意力、执行功能及工具性日常活动（ Instrumental Activities of Daily Living， IADL）等子维度的改善幅度均显著优于对照组（均 P<0.05）。 结论 VR 认知训练联合 rTMS 治疗比单纯 rTMS 治疗能更有效地改善脑卒中患者的认知功能，为脑卒中后认知康复提供了新的干预模式。]]></description>
<pubDate>2025/8/4 15:43:01</pubDate>
<category><![CDATA[人工智能与医学工程]]></category>
<author><![CDATA[唐雨亭]]></author>
<guid><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250403001]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[腹腔镜胆囊切除术后患者胃肠道症状的机器学习模型构建及验证]]></title>
<link><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250407001]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[目的 构建评估腹腔镜胆囊切除术（laparoscopic cholecystectomy, LC）后患者胃肠道症状发生风险的机器学习的预测模型，并验证其预测效能。方法 回顾性纳入2022 年10月至2024 年10月接受LC治疗的96 例患者，并收集其临床资料。采用多重插补法处理缺失值，基于R语言构建随机森林（random forest, RF）、支持向量机（support vector machine, SVM）、极值梯度提升树（extreme gradient boosting, XGBoost）和逻辑回归（logistic regression, LR）模型，通过曲线下面积（area under the curve, AUC）、敏感度、特异度选取效能最高的模型，通过校准曲线进行验证。结果 术后72 h 内出现胃肠道症状者27 例（28.13%），无症状者69例（71.87%）。最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归结果中选择了5个非零特征变量，包括年龄、手术时间、麻醉时间、胆囊壁厚度和术前C反应蛋白（C-reactive protein，CRP）。RF、XGBoost、LR和SVM的AUC分别为0.855、0.893、0.762和0.839，XGBoost 模型的敏感度（85.71%）与特异度（82.35%）均衡性最佳，表现出最优的预测效能，以此构建列线图，其在模型预测LC 患者术后胃肠道症状发生率方面提供了中等净获益。Hosmer-Lemeshow拟合优度检验表明，预测模型具有较好的标定能力（χ2＝2.176，P＝0.693）。结论 本研究构建了基于XGBoost的机器学习列线图模型能有效预测LC术后胃肠道症状风险，结合术前影像与炎症指标可辅助优化手术策略及术后管理。]]></description>
<pubDate>2026/4/14 15:10:49</pubDate>
<category><![CDATA[人工智能与医学工程]]></category>
<author><![CDATA[万文静]]></author>
<guid><![CDATA[http://www.bmeprogress.com/swyxgcxjz/article/abstract/20250407001]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>